Desarrollo de un sistema de predicción de falla de cojinete de turbina hidráulica basado en redes neuronales recurrentes con LSTM

Este trabajo presenta un sistema de pronóstico de falla de un cojinete de turbina hidráulica mediante la aplicación de dos técnicas de machine learning: modelos de regresión lineal y modelos de redes neuronales recurrentes LSTM con el uso de envolventes diarias, semanales y mensuales.

Guardat en:
Dades bibliogràfiques
Autor principal: Reino Chérrez, Esteban Francisco (author)
Altres autors: Cochancela Araujo, Jhonnatan Rodrigo (author)
Format: masterThesis
Idioma:spa
Publicat: 2022
Matèries:
Accés en línia:http://dspace.ups.edu.ec/handle/123456789/21930
Etiquetes: Afegir etiqueta
Sense etiquetes, Sigues el primer a etiquetar aquest registre!
_version_ 1863428221637230592
author Reino Chérrez, Esteban Francisco
author2 Cochancela Araujo, Jhonnatan Rodrigo
author2_role author
author_facet Reino Chérrez, Esteban Francisco
Cochancela Araujo, Jhonnatan Rodrigo
author_role author
collection Repositorio Universidad Politécnica Salesiana
dc.contributor.none.fl_str_mv Salamea Palacios, Christian Raúl
dc.creator.none.fl_str_mv Reino Chérrez, Esteban Francisco
Cochancela Araujo, Jhonnatan Rodrigo
dc.date.none.fl_str_mv 2022-02-25T22:14:40Z
2022-02-25T22:14:40Z
2022
dc.format.none.fl_str_mv application/pdf
dc.identifier.none.fl_str_mv http://dspace.ups.edu.ec/handle/123456789/21930
dc.language.none.fl_str_mv spa
dc.rights.none.fl_str_mv Atribución-NoComercial-SinDerivadas 3.0 Ecuador
http://creativecommons.org/licenses/by-nc-nd/3.0/ec/
info:eu-repo/semantics/openAccess
dc.source.none.fl_str_mv reponame:Repositorio Universidad Politécnica Salesiana
instname:Universidad Politécnica Salesiana
instacron:UPS
dc.subject.none.fl_str_mv ELECTRÓNICA
REDES NEURONALES (COMPUTADORES)
APRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)
ANÁLISIS DE REGRESIÓN
APRENDIZAJE SUPERVISADO
dc.title.none.fl_str_mv Desarrollo de un sistema de predicción de falla de cojinete de turbina hidráulica basado en redes neuronales recurrentes con LSTM
dc.type.none.fl_str_mv info:eu-repo/semantics/publishedVersion
info:eu-repo/semantics/masterThesis
description Este trabajo presenta un sistema de pronóstico de falla de un cojinete de turbina hidráulica mediante la aplicación de dos técnicas de machine learning: modelos de regresión lineal y modelos de redes neuronales recurrentes LSTM con el uso de envolventes diarias, semanales y mensuales.
eu_rights_str_mv openAccess
format masterThesis
id UPS_b9f508338707d5c5ddb1315a242ff17c
instacron_str UPS
institution UPS
instname_str Universidad Politécnica Salesiana
language spa
network_acronym_str UPS
network_name_str Repositorio Universidad Politécnica Salesiana
oai_identifier_str oai:dspace.ups.edu.ec:123456789/21930
publishDate 2022
reponame_str Repositorio Universidad Politécnica Salesiana
repository.mail.fl_str_mv .
repository.name.fl_str_mv Repositorio Universidad Politécnica Salesiana - Universidad Politécnica Salesiana
repository_id_str 1737
rights_invalid_str_mv Atribución-NoComercial-SinDerivadas 3.0 Ecuador
http://creativecommons.org/licenses/by-nc-nd/3.0/ec/
spelling Desarrollo de un sistema de predicción de falla de cojinete de turbina hidráulica basado en redes neuronales recurrentes con LSTMReino Chérrez, Esteban FranciscoCochancela Araujo, Jhonnatan RodrigoELECTRÓNICAREDES NEURONALES (COMPUTADORES)APRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)ANÁLISIS DE REGRESIÓNAPRENDIZAJE SUPERVISADOEste trabajo presenta un sistema de pronóstico de falla de un cojinete de turbina hidráulica mediante la aplicación de dos técnicas de machine learning: modelos de regresión lineal y modelos de redes neuronales recurrentes LSTM con el uso de envolventes diarias, semanales y mensuales.This work presents a failure forecast system for a hydraulic turbine bearing by applying two machine learning techniques: regression models and models with recurrent neural networks LSTM to the daily, weekly and monthly envelope.Salamea Palacios, Christian Raúl2022-02-25T22:14:40Z2022-02-25T22:14:40Z2022info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://dspace.ups.edu.ec/handle/123456789/21930spaAtribución-NoComercial-SinDerivadas 3.0 Ecuadorhttp://creativecommons.org/licenses/by-nc-nd/3.0/ec/info:eu-repo/semantics/openAccessreponame:Repositorio Universidad Politécnica Salesianainstname:Universidad Politécnica Salesianainstacron:UPS2025-04-24T17:00:04Zoai:dspace.ups.edu.ec:123456789/21930Institucionalhttps://dspace.ups.edu.ec/Institución privadahttps://www.ups.edu.ec/https://dspace.ups.edu.ec/oai.Ecuador...opendoar:17372025-04-24T17:00:04Repositorio Universidad Politécnica Salesiana - Universidad Politécnica Salesianafalse
spellingShingle Desarrollo de un sistema de predicción de falla de cojinete de turbina hidráulica basado en redes neuronales recurrentes con LSTM
Reino Chérrez, Esteban Francisco
ELECTRÓNICA
REDES NEURONALES (COMPUTADORES)
APRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)
ANÁLISIS DE REGRESIÓN
APRENDIZAJE SUPERVISADO
status_str publishedVersion
title Desarrollo de un sistema de predicción de falla de cojinete de turbina hidráulica basado en redes neuronales recurrentes con LSTM
title_full Desarrollo de un sistema de predicción de falla de cojinete de turbina hidráulica basado en redes neuronales recurrentes con LSTM
title_fullStr Desarrollo de un sistema de predicción de falla de cojinete de turbina hidráulica basado en redes neuronales recurrentes con LSTM
title_full_unstemmed Desarrollo de un sistema de predicción de falla de cojinete de turbina hidráulica basado en redes neuronales recurrentes con LSTM
title_short Desarrollo de un sistema de predicción de falla de cojinete de turbina hidráulica basado en redes neuronales recurrentes con LSTM
title_sort Desarrollo de un sistema de predicción de falla de cojinete de turbina hidráulica basado en redes neuronales recurrentes con LSTM
topic ELECTRÓNICA
REDES NEURONALES (COMPUTADORES)
APRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)
ANÁLISIS DE REGRESIÓN
APRENDIZAJE SUPERVISADO
url http://dspace.ups.edu.ec/handle/123456789/21930